LITv2

基于HiLo注意力的快速视觉Transformer

LITv2 HiLo注意力视觉Transformer 图像分类目标检测 Github 开源项目

LITv2是一种基于HiLo注意力机制的高效视觉Transformer模型。它将注意力头分为两组,分别处理高频局部细节和低频全局结构,从而在多种模型规模下实现了优于现有方法的性能和更快的速度。该项目开源了图像分类、目标检测和语义分割任务的预训练模型和代码实现。

文档

vit_small_r26_s32_384.augreg_in21k_ft_in1k - ResNet与Vision Transformer结合的图像分类模型解析

GithubHuggingfaceImageNetViTtimm图像分类增广正则化开源项目模型

该模型结合ResNet与Vision Transformer（ViT）的特点，专用于图像分类。最初在ImageNet-21k上训练，后在ImageNet-1k上微调，并在JAX中创建，由Ross Wightman移植到PyTorch环境中。模型采用了36.5M参数和27.7M激活，针对384x384图像进行了优化，通过增强和正则化技术提升了处理复杂图像任务的能力，适用于多种图像识别应用。

swinv2-tiny-patch4-window16-256 - Swin Transformer v2：分层特征图构建的高效视觉模型

GithubHuggingfaceSwin Transformer v2图像分类开源项目模型深度学习神经网络计算机视觉

Swin Transformer v2是一种改进的视觉模型，通过合并图像块构建分层特征图，适用于图像分类和密集识别任务。它采用局部窗口自注意力机制，实现了线性计算复杂度。模型引入残差后归一化、余弦注意力和对数间隔连续位置偏置等技术，提升训练稳定性和迁移能力。同时，利用SimMIM自监督预训练方法减少了对大量标记图像的依赖。

ViT-L-14-CLIPA-datacomp1B - CLIPA-v2模型实现低成本高性能零样本图像分类

CLIPAGithubHuggingfaceOpenCLIP对比学习开源项目模型视觉语言模型零样本图像分类

ViT-L-14-CLIPA-datacomp1B是一个基于CLIPA-v2架构的视觉-语言模型，在datacomp1B数据集上训练。该模型采用对比学习方法，能够进行零样本图像分类，在ImageNet上实现81.1%的准确率。通过OpenCLIP库，用户可以方便地进行图像和文本的特征编码。这个模型不仅性能优异，还具有训练成本低的特点，为计算机视觉研究提供了新的发展方向。

VILA - 创新的视觉语言模型预训练方法

GithubVILA多模态开源项目视觉语言模型量化预训练

VILA是一种新型视觉语言模型，采用大规模交错图像-文本数据预训练，增强了视频和多图像理解能力。通过AWQ 4位量化和TinyChat框架，VILA可部署到边缘设备。该模型在视频推理、上下文学习和视觉思维链等方面表现出色，并在多项基准测试中获得了优异成绩。项目完全开源，包括训练和评估代码、数据集以及模型检查点。

vit_base_patch14_dinov2.lvd142m - Vision Transformer自监督图像特征提取模型

DINOv2GithubHuggingfaceVision Transformertimm图像特征提取开源项目模型自监督学习

vit_base_patch14_dinov2.lvd142m是基于Vision Transformer架构的图像特征提取模型，采用DINOv2自监督方法在LVD-142M数据集上预训练。模型包含8660万参数，支持518x518像素输入，可用于图像分类和特征提取。该模型无需监督即可学习视觉特征，性能出色。研究者可通过timm库便捷使用此预训练模型。

SOFT - 无需softmax的线性复杂度Transformer模型

GithubTransformer图像分类开源项目目标检测线性复杂度自注意力机制

SOFT是一种新型Transformer模型,采用无需softmax的归一化自注意力机制,实现了线性复杂度和更强的泛化能力。该模型在图像分类、目标检测和语义分割等计算机视觉任务中表现优异。项目提供多种规模的预训练模型,适用于不同应用场景。开源代码包含完整的训练和评估流程,并附有详细说明,便于研究人员进行深入研究和应用开发。

Transformer_Tracking - 视觉追踪中Transformer应用的全面综述和前沿动态

GithubTransformer开源项目深度学习目标检测视觉跟踪计算机视觉

本项目汇总了Transformer在视觉追踪领域的应用进展,包括统一追踪、单目标追踪和3D单目标追踪等方向。内容涵盖最新研究论文、技术趋势分析、基准测试结果以及学习资源,为相关研究人员和从业者提供全面的参考信息。重点关注自回归时序建模、联合特征提取与交互等前沿技术,展现了视觉追踪的最新发展动态。

hiera - 简洁高效的分层视觉Transformer模型

GithubHieraMAE预训练图像识别开源项目视觉Transformer视频识别

Hiera是一种分层视觉Transformer模型,在图像和视频任务中表现出色,同时保持高效推理。该模型简化了现有Transformer的复杂模块,并通过MAE预训练学习空间偏置,实现了简洁高效的架构。项目提供了模型库、推理示例和基准测试脚本,支持通过PyTorch Hub和Hugging Face Hub使用预训练模型。

dinov2 - 通过无监督学习构建强大视觉特征的先进方法

DINOv2GithubVision Transformer开源项目自监督学习视觉特征计算机视觉

DINOv2是一种先进的无监督视觉特征学习方法,在1.42亿张未标注图像上预训练后生成高性能、鲁棒的通用视觉特征。这些特征可直接应用于多种计算机视觉任务,仅需简单线性分类器即可实现优异效果。DINOv2提供多种预训练模型,包括带寄存器的变体,在ImageNet等基准测试中表现卓越。

levit_128.fb_dist_in1k - LeViT-128 轻量级卷积视觉Transformer实现快速图像分类

GithubHuggingfaceImageNet-1kLeViT图像分类开源项目模型模型比较预训练模型

levit_128.fb_dist_in1k是基于LeViT架构的轻量级图像分类模型,采用卷积模式实现。该模型在ImageNet-1k数据集上经过预训练和蒸馏,拥有920万参数,处理224x224尺寸图像。在0.4 GMACs计算量下实现78.474%的Top-1准确率,体现了高效能与低复杂度的平衡。模型可用于图像分类和特征提取,适合需要快速推理的视觉任务。

相关项目

推荐项目

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com